理解用户偏好与优化双边市场：以Airbnb为例

# 理解房客偏好与优化双边市场：以Airbnb为例
来源：https://arxiv.org/html/2607.00280
###### 摘要

Airbnb是一个基于连接与归属感的社区——平台上许多房东是普通人，他们分享自己的世界，为房客提供宾至如归的体验；Airbnb致力于连接人与人、人与地方。在连接房客与房东的努力中，我们提供工具帮助房东设定有竞争力的价格，这既提高了房客的可负担性，也帮助房东获得更多预订。同时，我们个性化房客体验，向他们展示符合其需求的房源。

为助力上述工作，我们结合经济建模与因果推断技术，从房东设定的价格等因素出发，理解房客如何预订住宿，以及这种偏好如何因房客和房源而异。这种理解有助于我们识别Airbnb支持市场、更好地连接房客与房东的机遇。例如，理解房客对不同价格的响应程度，有助于优化我们提供给房东的工具，使房东能够选择并设定有竞争力的价格，进一步平衡供需。又如，理解房客偏好的异质性，有助于我们基于房客对不同价格等因素的响应程度，个性化房客体验，更精准地为其匹配满足需求的房源。

双边市场、需求建模、价格弹性、偏好异质性、观测因果推断、工具变量

††© 2024 Airbnb, Inc. 保留所有权利。

## 1. 引言

Airbnb是一个基于连接与归属感的社区——这个社区诞生于2007年，当时两位房东在旧金山的家中迎接了三位房客，此后发展壮大，如今已有超过500万位房东，接待了超过15亿房客的到访，覆盖全球几乎所有国家和地区的超过10万个城镇。Airbnb上的房东是普通人，他们分享自己的世界，为房客提供宾至如归的体验。我们致力于连接人与人、人与地方。

对于双边市场而言，定价通常是平衡供需的重要杠杆。但Airbnb并不设定房客需支付的价格。相反，房东为自己的房源设定价格，而Airbnb则设定服务费，该费用按预订价值的一定比例收取。房东难以确定合适定价的原因有几个。首先，Airbnb上的房源在位置、室内设计和设施方面高度异质，使得每个房东的定价问题都独一无二。其次，部分房东可能经验有限。最后，由于旅行和住宿并非日常事件，预订可能相对稀少，房东很难从价格合理性方面获得反馈。

作为连接房客与房东努力的一部分，我们提供工具帮助房东选择并设定有竞争力的价格，以最好地满足房客需求。通过提供这些工具，Airbnb不仅能更好地为房客创造价值，也能帮助房东吸引更多业务。例如，Ye, Qian, Chen, Wu, Zhou, De Mars, Yang, and Zhang (2018)（https://arxiv.org/html/2607.00280#bib.bib1）——Airbnb定价建模团队在KDD上发表的先前论文——讨论了一个预测性定价模型，该模型通过价格建议帮助房东选择并设定有竞争力的价格。我们还个性化房客体验和房东工具，以更好地将房客与符合其需求的房源进行匹配。例如，Grbovic (2017)（https://arxiv.org/html/2607.00280#bib.bib2）和Grbovic and Cheng (2018)（https://arxiv.org/html/2607.00280#bib.bib3）——Airbnb相关性团队在KDD上发表的两篇论文——解释了Airbnb如何个性化搜索排名，以向房客展示符合其短期和长期兴趣的房源。另一个例子是Jing and Xia (2023)（https://arxiv.org/html/2607.00280#bib.bib4）的Airbnb博客文章，讨论了Airbnb如何利用机器学习模型，根据房客对不同房屋属性的偏好（例如获取房客最期望的设施）来个性化推荐给房东。

为助力上述工作，我们结合经济建模与因果推断技术，从房东设定的价格等因素出发，理解房客如何预订住宿，以及这种偏好如何因房客和房源而异。这种理解有助于我们识别Airbnb优化市场、更好地连接房客与房东的机遇。具体而言，我们衡量房客对价格的敏感程度，以优化房东定价工具，使房东能够选择并设定有竞争力的价格，更好地满足房客需求。

我们还尝试理解房客偏好的异质性，即不同客群对可负担性的偏好如何不同。这些洞察识别出房客体验个性化的机会，帮助房客根据其对可负担性等因素的偏好，更轻松地找到满足其需求的房源。

## 2. 实验方法与观察方法

实验方法与非实验方法（基于观测数据）都很有用，并广泛应用于理解消费者偏好，包括他们看重可负担性的程度，或他们对价格变化的敏感程度。

实验在在线市场中历史悠久，如果操作得当，仍被视为因果推断的黄金标准。然而，围绕定价开展实验存在一些细微之处，Airbnb以及其它科技公司的数据科学家和经济学家已对此进行过讨论（例如，参见Holtz, Lobel, Liskovich, and Aral (2020)（https://arxiv.org/html/2607.00280#bib.bib5）、Johari, Li, Liskovich, and Weintraub (2022)（https://arxiv.org/html/2607.00280#bib.bib6）以及Le and Deng (2023)（https://arxiv.org/html/2607.00280#bib.bib7））。市场实验的一个重要关注点是干扰（interference），即对某一市场参与者的干预会影响其他参与者。虽然定价实验可以设计为最小化干扰带来的偏差，但这样的设计会牺牲统计功效。统计功效的其它制约因素包括：在市场不直接控制价格的情况下引入价格变动的能力有限，以及市场参与频率低。

鉴于定价实验的这些细微之处，观察方法对于理解类似Airbnb的市场中房客的价格敏感度也很有用。与定价实验相比，观测数据中的价格在房源间和时间上都有更大的变异。我们借鉴经济学领域的学术文献，这些文献历来侧重于从观测数据中进行推断。我们将其与实验研究相结合，以验证和校准观察方法的估计结果，从而应对观测分析中结果无偏性难以建立的普遍挑战。

## 3. 理解房客价格敏感度以帮助房东设定有竞争力的价格

我们如何利用观测数据对房客需求进行建模并衡量房客价格敏感度？我们的方法基于房客与房东行为的经济学理论。具体而言，我们首先对房客行为进行建模，为实证问题提供依据。然后，我们利用市场动态（考虑房东供给与房客需求之间的相互作用）来分离价格（即可负担性）对房客需求的影响。

### 3.1. 房客选择建模

遵循经济学文献中成熟的研究方向，我们使用Logit模型对房客在不同房源选项间的选择进行建模。该模型假设潜在房客 \(i\) 在时间 \(t\) 选择某一产品 \(j\) 所获得的效用（即总体满意度）可表示为如下形式，其中 \(p\) 表示价格，\(X\) 表示观测到的产品属性，\(\xi\) 表示来自产品未观测属性的效用。¹¹ 为使模型易于处理，我们根据地理和选定属性将房源分组为产品，并将产品价格和属性计算为各房源的均值。此类模型的一个常见假设是，产品的效用仅取决于自身属性，而非其他产品的属性。我们在此也采用这一假设。误差项 \(\epsilon\) 服从I型极值分布。²² 这种误差分布在需求建模中常见，能生成易于处理的替代模式。

\[
u_{ijt} = -\alpha p_{jt} + X_{jt}^T \beta + \xi_{jt} + \epsilon_{ijt} \tag{1}
\]

房客将选择所有可选选项中效用最高的产品。因此，选择产品 \(j\) 的房客份额（即各房客选择概率的加总）如下。直观上，在其他条件相同的情况下，房东设定的价格越高，选择该产品的房客份额越低。

\[
s_{jt} = \frac{\exp(\delta_{jt})}{1 + \sum_{j'=1}^J \exp(\delta_{j't})} \tag{2}
\]

其中，\(\delta_{jt}\) 表示产品 \(j\) 在时间 \(t\) 的平均效用：

\[
\delta_{jt} = -\alpha p_{jt} + \boldsymbol{X}_{jt}^T \boldsymbol{\beta} + \xi_{jt} \tag{3}
\]

价格参数 \(\alpha\) 量化了房客对房东价格变化的敏感程度。为了以标准化的无量纲方式解释它，我们使用需求价格弹性的概念，它告诉我们如果房东降价（或提价）1%，预订量会增加（或减少）多少。需求价格弹性可以表示为估计出的价格参数 \(\hat{\alpha}\)、平均价格 \(\bar{p}\) 和平均产品份额 \(\bar{s}\) 的函数。

\[
\hat{e} = -\hat{\alpha} \bar{p} (1 - \bar{s}) \tag{4}
\]

我们遵循Berry, Levinsohn, and Pakes (1995)（https://arxiv.org/html/2607.00280#bib.bib8）（即“BLP”）开发的方法来简化估计问题，将实证估计简化为线性回归问题，并应用工具变量分离价格的因果影响。下一节将讨论我们如何构建工具变量，以帮助从观测数据中分离因果关系。

### 3.2. 实证估计房客价格敏感度

观测数据提供了丰富的信息，说明房客在面对一系列不同价格的选项时如何选择住宿。这些信号有助于我们估计上述房客选择模型，并理解房客如何响应房东价格的变化。然而，与实验不同，现实世界中的价格变动是内生的而非随机的，这给估计房客价格弹性带来了挑战。

图1（https://arxiv.org/html/2607.00280#S3.F1）可视化了Airbnb住宿在两个观测期（t1和t2）的需求曲线（描述每个价格水平下房客预订的间夜数）和供给曲线（描述每个价格水平下房东提供的房源间夜数）。我们的目标是衡量房客价格弹性，即在其他条件不变的情况下，房客需求如何响应价格变化——也就是需求曲线的斜率，通过比较结果A和B可以衡量。在现实中，房客需求和房东供给共同决定了我们观察到的均衡价格和数量。因此，如果直接比较t1和t2的观测数据，我们实际上是在比较结果A和C。这种比较混合了两种数量变化：房客对供给驱动型价格变化的需求响应（从A到B的变化：价格越低，房客预订的间夜数越多），以及房东对需求驱动型价格变化的供给响应（从B到C的变化：价格越高，房东提供的房源间夜数越多）。

图1. 供给与需求共同决定均衡价格

参考图注

为了分离我们感兴趣的需求价格弹性（图1中A与B之间的斜率），我们利用那些与需求外生相关的变异来源。我们重点关注由不同地区供需差异所引起的价格变异。作为说明性示例，图2(b)（https://arxiv.org/html/2607.00280#S3.F2.sf2）(A) 比较了Airbnb住宿的两个热门目的地地区，展示了供给的差异化增长如何可能引入价格的外生变异来源。横轴表示日历季度，纵轴表示供给和价格，两者均在示例期初归一化为1。在该时间段内，地区A的平均价格上涨了4%，而地区B的平均价格下降了13%。部分差异源于地区B的供给增长速度高于地区A。

该示例比较了供给增长，但未考虑可能的需求增长，从而引出一个问题：这种供给变异是否可能是对需求的响应？接下来，我们控制需求水平，并聚焦于由非需求因素（如不同地区短租法规和住宿成本的异质性）驱动的供给变异。如图2(b)（https://arxiv.org/html/2607.00280#S3.F2.sf2）(B)所示，地区A与地区B的比较在考虑实现的需求水平（以房源页面总浏览量衡量）后依然稳健。横轴表示给定实现的需求水平下，某个时间段内的房源供给增长；纵轴表示同一时间段内平均价格的变化。相对于实现的需求，地区B的房源供给在同一时间段内增长了超过60%（绿色点），而地区A的增长则少得多（紫色点），这解释了为什么地区B的价格相对于地区A下降更多。这种关系也普遍适用于其他目的地地区，如蓝色圆圈所示。³³ 每个圆圈代表一个目的地地区，圆圈大小根据其实现需求水平缩放。如图所示，在控制需求后，价格与供给之间存在明显的负相关关系（红色拟合线来自线性回归）。房源供给相对于需求增长越快，房东设定的平均价格越低。

图2. 不同DMA间渠道残余印象的热力图随时间变化

(a) 两个地区的说明性示例

参考图注

(b) 推广至所有地区

参考图注

这种经验关系启发我们采用工具变量方法。在控制实现的需求水平后，我们将各地区间差异化的供给增长作为价格变动的工具变量，以分离供给驱动的价格变化，并估计房客价格弹性。鉴于房东在调整房源供给时无法完全预见需求变化，房源供给的变动会带来看似外生的价格变异，我们利用这种变异来估计房客选择模型，并理解价格对房客预订的因果影响。

### 3.3. 利用实验结果验证和校准模型

我们承认观察方法的一个普遍局限性：没有随机实验，很难确保结果的无偏性。虽然我们使用工具变量帮助分离价格的因果影响，但结果的无偏性取决于排除限制条件的有效性（例如，参见Wooldridge (2010)（https://arxiv.org or